Fugu-MT 論文翻訳(概要): Valid and Expressive Copulas for Irregular Multivariate Time Series

論文の概要: Valid and Expressive Copulas for Irregular Multivariate Time Series

arxiv url: http://arxiv.org/abs/2605.23632v1
Date: Fri, 22 May 2026 13:46:53 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-25 17:29:20.371269
Title: Valid and Expressive Copulas for Irregular Multivariate Time Series
Title（参考訳）: 不規則な多変量時系列に対する妥当性と表現的コプラ
Abstract要約: 我々は不規則な多変量時系列の確率予測のためのコプラモデルであるCopFITiを紹介する。実験の結果,関節から縁部を分離するコプラに基づくアプローチは,関節全体に直接適合するアーキテクチャよりも縁部モデルの方が優れていることがわかった。
参考スコア（独自算出の注目度）: 9.642976236410831
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce CopFITi, a copula model for probabilistic forecasting of irregular multivariate time series (IMTS). Our model combines the expressivity of normalizing flows for univariate marginals with the consistency and flexibility of a Gaussian Mixture Copula for the joint dependency structure. Our experiments show that copula-based approaches, which decouple the marginals from the joint, yield better marginal models than architectures that directly fit the full joint. With CopFITi, we propose the first IMTS copula that is marginalization-consistent by construction and establish a new state of the art in joint IMTS density modeling.
Abstract（参考訳）: 本稿では,不規則な多変量時系列(IMTS)の確率予測のためのコプラモデルであるCopFITiを紹介する。本モデルでは,一変量境界に対する正規化フローの表現性と,結合依存構造に対するガウス混合コピュラの整合性と柔軟性を結合する。実験の結果,関節から縁部を分離するコプラに基づくアプローチは,関節全体に直接適合するアーキテクチャよりも縁部モデルの方が優れていることがわかった。 CopFITiを用いたIMTSコプラの試作と,共同IMTS密度モデリングにおける新しい最先端技術の構築について述べる。

関連論文リスト

Simplifying Flow Matching Transformations with Low-Rank Mixture Models [58.797704398690165]
本稿では,確率的主成分分析器(MPPCA)の混合物を流動の正規化のための潜在密度として用いることを提案する。我々は,KL分散の観点でデータ分布とより密接に一致した潜在分布を学習することにより,学習フロー変換を単純化する。 MPPCAモデルは期待最大化アルゴリズムを用いて迅速かつ安価に適合し、高次元生成タスクにおいても潜在分布を初期化するための実用的な選択となる。
論文参考訳（メタデータ） (2026-06-29T03:03:06Z)
DAG-MoE: From Simple Mixture to Structural Aggregation in Mixture-of-Experts [56.175408382091796]
本研究では, 標準重み付け集約を構造集約に置き換えることにより, 専門家やルータを変更することなく, 専門家合成空間を拡大することを示す。 DAG-MoEは軽量モジュールを用いて,選択した専門家の最適な集約構造を自動的に学習するスパースMoEフレームワークである。
論文参考訳（メタデータ） (2026-05-31T07:08:16Z)
Probabilistic Circuits for Irregular Multivariate Time Series Forecasting [10.534258791589314]
本稿では,確率回路に基づく確率的IMTS予測の新しいアーキテクチャであるCircuITSを提案する。我々のモデルは、有効な関節分布を構造的に保証しつつ、時系列チャンネル間の複雑な依存関係を捉えるのに柔軟である。
論文参考訳（メタデータ） (2026-04-30T12:57:53Z)
UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。 8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2025-12-08T05:36:14Z)
Cross-Modal Alignment via Variational Copula Modelling [54.25504956780864]
複数のモーダルから様々な情報を集約するマルチモーダル学習手法を開発することが不可欠である。既存の方法は主に連結やクロネッカー積に依存し、モジュラリティ間の相互作用構造を単純化する。そこで本研究では,様々なモーダルの連成分布の学習に焦点を当てた,コプラ駆動型マルチモーダル学習フレームワークを提案する。
論文参考訳（メタデータ） (2025-11-05T05:28:28Z)
Gaussian Mixture Model with unknown diagonal covariances via continuous sparse regularization [0.6627152091494143]
我々は、コンポーネントの数とそのパラメータを同時に推定するために、Beurling-LASSOフレームワークを使用します。重要な理論的貢献は、混合成分上の明示的な分離条件の同定である。
論文参考訳（メタデータ） (2025-09-16T09:42:44Z)
AdaMixT: Adaptive Weighted Mixture of Multi-Scale Expert Transformers for Time Series Forecasting [15.522567372502762]
AdaMixT (Adaptive Weighted Mixture of Multi-Scale Expert Transformers) という新しいアーキテクチャを提案する。 AdaMixTは様々なパッチを導入し、汎用事前訓練モデル(GPM)とドメイン固有モデル(DSM)の両方を活用してマルチスケールの特徴抽出を行う。気象、交通、電気、ILI、および4つのETTデータセットを含む8つの広く使用されているベンチマークに関する総合的な実験は、一貫してAdaMixTの有効性を実証している。
論文参考訳（メタデータ） (2025-09-09T15:30:53Z)
Adding Additional Control to One-Step Diffusion with Joint Distribution Matching [58.37264951734603]
JDMは、画像-条件関節分布間の逆KL分散を最小化する新しいアプローチである。トラクタブルな上限を導出することにより、JDMは条件学習から忠実度学習を分離する。この非対称蒸留方式により,一段階の生徒が教師モデルに未知の制御を処理できるようになる。
論文参考訳（メタデータ） (2025-03-09T15:06:50Z)
Bridging the inference gap in Mutimodal Variational Autoencoders [6.246098300155483]
マルチモーダル変分オートエンコーダは、観測されたモダリティから観測されていないモダリティを生成するための多目的でスケーラブルな方法を提供する。エキスパートの混合集合を用いた最近のモデルは、複雑なデータセットにおける生成品質を制限する理論的に基礎的な制限に悩まされている。本稿では,混合アグリゲーションを導入することなく,結合分布と条件分布の両方を学習できる新しい解釈可能なモデルを提案する。
論文参考訳（メタデータ） (2025-02-06T10:43:55Z)
Marginalization Consistent Probabilistic Forecasting of Irregular Time Series via Mixture of Separable flows [4.489135297410294]
不規則な時系列における目標の連立分布の確率論的予測モデルは、機械学習においてあまり研究されていない分野である。 MOSES(Marginalization Consistent Mixture of Separable Flows)は,複数の潜伏ガウス過程と分離可能なユニ-正規性フローの混合をパラメタライズするモデルである。 4つのデータセットの実験では、MOSESは正確な結合予測と限界予測の両方を達成し、他の余分化の基線を全て上回り、ProFITiをわずかに下回っただけで、余分分布の予測では圧倒的に優れていることが示されている。
論文参考訳（メタデータ） (2024-06-11T13:28:43Z)
SOFTS: Efficient Multivariate Time Series Forecasting with Series-Core Fusion [59.96233305733875]
時系列予測は、金融、交通管理、エネルギー、医療など様々な分野で重要な役割を果たしている。いくつかの方法は、注意やミキサーのようなメカニズムを利用して、チャネル相関をキャプチャすることでこの問題に対処する。本稿では,効率的なモデルであるSOFTS(Series-cOre Fused Time Series forecaster)を提案する。
論文参考訳（メタデータ） (2024-04-22T14:06:35Z)
TACTiS-2: Better, Faster, Simpler Attentional Copulas for Multivariate Time Series [57.4208255711412]
パウラ理論に基づいて,最近導入されたトランスフォーマーに基づく注目パウラ(TACTiS)の簡易な目的を提案する。結果から,実世界の予測タスクにまたがって,このモデルのトレーニング性能が大幅に向上し,最先端のパフォーマンスが達成できることが示唆された。
論文参考訳（メタデータ） (2023-10-02T16:45:19Z)
FiMReSt: Finite Mixture of Multivariate Regulated Skew-t Kernels -- A Flexible Probabilistic Model for Multi-Clustered Data with Asymmetrically-Scattered Non-Gaussian Kernels [0.0]
本研究では,混合モデルを学習し,スキューをモデル化するための一般化可能性とパワーを高めるために,正規化された反復最適化プロセスを提案する。得られた混合モデルは、マルチレギュレーションスキュート(FiMStss)の有限混合と呼ばれる。この性能を検証するため,複数の実世界のデータセットと合成データセットに関する総合的な実験を行った。
論文参考訳（メタデータ） (2023-05-15T23:53:59Z)
Semantic Correspondence with Transformers [68.37049687360705]
本稿では,変換器を用いたコストアグリゲーション(CAT)を提案し,意味論的に類似した画像間の密接な対応を見出す。初期相関マップと多レベルアグリゲーションを曖昧にするための外観親和性モデリングを含む。提案手法の有効性を示す実験を行い,広範囲にわたるアブレーション研究を行った。
論文参考訳（メタデータ） (2021-06-04T14:39:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。